让机器人在厨房里找垃圾并扔进垃圾桶，看似简单，实际要同时认路、识别物体、移动和抓取。微软研究团队发现，把这些 AI 推理全塞进机身 GPU，反而可能拖累任务：算力受限，还会增加重量、耗电和散热压力。
团队测试了移动操作——机器人边移动、边识别和操作物体——所需的建图规划、导航与抓取模型。作者自述，在显存足够的机载 GPU 上，建图和规划仍可能慢至多 383%；部分较小 GPU 甚至装不下整套模型。把推理卸载到附近的边缘服务器或云端 GPU 后，机器人可使用更大的模型，响应和准确性提高，任务成功率也随之改善。
这项工作的意义不只是“云端算得更快”，而是给具身智能提供一种端云分工思路：机身保留轻量硬件，重计算放到外部。团队还加入了基于 Kubernetes 的部署工具，用来在机器人、边缘和云之间调度任务。不过，现有材料未披露任务成功率的具体增幅，相关效果仍以作者测试为准。